一种基于动态感知的智能头盔防盗管理方法以及系统与流程

1.本技术涉及头盔防盗技术领域，特别是涉及一种基于动态感知的智能头盔防盗管理方法以及系统。


背景技术：

2.基于动态感知的智能头盔防盗管理系统是一种利用先进的传感器技术和物联网技术，对头盔进行监控、定位和预警的系统。该系统通过采集头盔的位置、倾斜角度、震动等数据，来识别头盔被移动、摔落或遭到破坏等异常情况，并通过云端服务器实时反馈信息给用户，从而达到防盗和管理的目的。该智能头盔防盗管理系统在工作过程中，通过安装加速度计实时采集头盔的震动数据，并通过分析头盔的震动数据来判断头盔是否发生移动。但是因为在采集头盔的震动信号时，获得的震动数据中会包含噪声信号，使得原始的震动信号受到噪声的干扰，无法准确的识别头盔异常状态，因此需要对获得的震动数据进行去噪处理。
3.在现有技术中，对震动信号去噪的算法较多，卡尔曼滤波算法是一种常用的信号处理方法，可以用于震动信号的去噪，并能够取得一定的去噪效果。但是由于卡尔曼滤波算法是将被评估的信号看作是高斯白噪声作用下一个随机线性系统的输出，但是震动信号的时间序列数据中包含有非线性变化和非高斯分布的噪声，这就导致卡尔曼滤波算法在处理震动信号的时间序列数据时容易发生数据过拟合的问题，导致去噪效果还相对较差，进而无法准确地识别头盔的异常震动状态。


技术实现要素：

4.本发明的目的在于提供一种基于动态感知的智能头盔防盗管理方法以及系统，用于解决现有头盔异常震动检测准确性低的问题。
5.为解决上述技术问题，本发明提供一种基于动态感知的智能头盔防盗管理方法，包括：获取头盔的震动信号数据；根据所述震动信号数据中每个数据点及其周围邻近数据点的分布差异，确定所述震动信号数据中每个数据点的随机干扰程度；根据所述随机干扰程度，对所述震动信号数据中的各个数据点进行聚类，得到至少两个聚类簇；根据每个所述聚类簇中数据点的数量以及各个数据点的所述随机干扰程度的平均分布情况和离散程度，确定每个所述聚类簇对应的噪声状态估计值；根据每个所述聚类簇对应的噪声状态估计值以及每个所述聚类簇中每个数据点与其相邻数据点之间的差异，确定每个所述聚类簇的数据影响度；将所述数据影响度中的最大值在所有所述数据影响度中的占比确定为正则化系数，并将所述正则化系数作为构建的变化函数的修正系数，从而得到修正后的变化函数；
对所述震动信号数据进行去噪处理，并根据所述修正后的变化函数确定去噪处理过程中所述震动信号数据中各个数据点的参考信号，从而得到去噪处理后的震动信号数据，根据去噪处理后的震动信号数据，确定头盔是否发生异常移动。
6.进一步的，确定所述震动信号数据中每个数据点的随机干扰程度，对应的计算公式为：；其中，表示所述震动信号数据中第i个数据点的随机干扰程度，表示对所述震动信号数据进行分解后所得到的第个分量信号中第个数据点的幅值，表示对所述震动信号数据进行分解后所得到的第个分量信号中第个数据点的幅值，表示对所述震动信号数据进行分解后所得到的第个分量信号中第个数据点的幅值，表示对所述震动信号数据进行分解后所得到的第个分量信号中第个数据点及其左右侧各n个邻近数据点所构成的邻域数据区间内相邻数据点的平均斜率，n表示对所述震动信号数据进行分解后所得到的第个分量信号中第个数据点的左右侧邻近数据点的数量，表示所述震动信号数据进行分解后所得到的分量信号的数量，表示归一化函数，表示数值之间的相乘符号，| |表示取绝对值符号。
7.进一步的，确定每个所述聚类簇对应的噪声状态估计值，包括：确定每个所述聚类簇中各个数据点的所述随机干扰程度的均值和方差；根据每个所述聚类簇中各个数据点的数量以及各个数据点的所述随机干扰程度的均值和方差，确定每个所述聚类簇对应的噪声状态估计值，所述各个数据点的数量以及各个数据点的所述随机干扰程度的均值和方差均与所述噪声状态估计值成正相关关系。
8.进一步的，确定每个所述聚类簇对应的噪声状态估计值，对应的计算公式为：；其中，表示第个聚类簇对应的噪声状态估计值，表示第个聚类簇内数据点的数量，表示第个聚类簇内各个数据点的随机干扰程度的均值，
表示第个聚类簇内各个数据点的随机干扰程度的方差，表示第个聚类簇内第i个数据点的随机干扰程度，表示数值之间的相乘符号。
9.进一步的，确定每个所述聚类簇的数据影响度，对应的计算公式为：；其中，表示第个聚类簇的数据影响度，表示第个聚类簇中第个数据点在对所述震动信号数据进行分解后所得到的第个分量信号上的幅值，表示第个聚类簇中第-1个数据点在对所述震动信号数据进行分解后所得到的第个分量信号上的幅值，表示第个聚类簇中第+1个数据点在对所述震动信号数据进行分解后所得到的第个分量信号上的幅值，表示第个聚类簇内数据点的数量，表示对所述震动信号数据进行分解后所得到的分量信号的数量，表示第个聚类簇对应的噪声状态估计值，表示数值之间的相乘符号，| |表示取绝对值符号。
10.进一步的，所述变化函数的构建过程，包括：确定对所述震动信号数据进行分解后所得到的每个分量信号中所有数据点的平均幅值，并确定各个分量信号中相同位置的数据点的幅值与其对应平均幅值的差异均值；确定所述震动信号数据中每个数据点的随机干扰程度在所述震动信号数据中所有数据点的随机干扰程度中的占比；根据所述震动信号数据中每个数据点对应的差异均值和占比，确定所述震动信号数据中每个数据点的权重，所述差异均值和占比均与所述权重值成正相关关系；根据所述震动信号数据中每个数据点的权重和随机干扰程度，确定变化函数。
11.进一步的，确定所述震动信号数据中每个数据点的权重对应的计算公式为：；其中，表示所述震动信号数据中第个数据点的权重，表示所述震动信号数据中第个数据点的随机干扰程度，表示所述震动信号数据中第个数据点的随机干扰程
度，表示所述震动信号数据中数据点的数量，表示所述震动信号数据中第个数据点的随机干扰程度在所述震动信号数据中所有数据点的随机干扰程度中的占比，表示对所述震动信号数据进行分解后所得到的第个分量信号中第个数据点的幅值，表示对所述震动信号数据进行分解后所得到的第个分量信号中所有数据点的平均幅值，表示所述震动信号数据进行分解后所得到的分量信号的数量，| |表示取绝对值符号，表示数值之间的相乘符号。
12.进一步的，所述变化函数的计算公式为：；其中，表示变化函数，表示一个非负数常量。
13.进一步的，利用卡尔曼滤波算法对所述震动信号数据进行去噪处理。
14.为了解决上述技术问题，本发明还提供了用于实现如上述的一种基于动态感知的智能头盔防盗管理方法的一种基于动态感知的智能头盔防盗管理系统，包括：采集模块，用于获取头盔的震动信号数据；处理模块，用于根据所述震动信号数据中每个数据点及其周围邻近数据点的分布差异，确定所述震动信号数据中每个数据点的随机干扰程度；根据所述随机干扰程度，对所述震动信号数据中的各个数据点进行聚类，得到至少两个聚类簇；根据每个所述聚类簇中数据点的数量以及各个数据点的所述随机干扰程度的平均分布情况和离散程度，确定每个所述聚类簇对应的噪声状态估计值；根据每个所述聚类簇对应的噪声状态估计值以及每个所述聚类簇中每个数据点与其相邻数据点之间的差异，确定每个所述聚类簇的数据影响度；将所述数据影响度中的最大值在所有所述数据影响度中的占比确定为正则化系数，并将所述正则化系数作为构建的变化函数的修正系数，从而得到修正后的变化函数；去噪判断模块，用于对所述震动信号数据进行去噪处理，并根据所述修正后的变化函数确定去噪处理过程中所述震动信号数据中各个数据点的参考信号，从而得到去噪处理后的震动信号数据，并根据去噪处理后的震动信号数据，确定头盔是否发生异常移动。
15.本发明的有益效果：通过对震动信号数据中每个数据点及其周围邻近数据点的分布差异情况进行分析，确定震动信号数据中每个数据点的随机干扰程度，并将随机干扰程度的数据点聚类为一类，从而得到各个聚类簇，对聚类簇中各个数据点的特征进行分析，确定该聚类簇中的数据收到噪声的影响程度情况，从而得到各个聚类簇的数据影响度。基于该数据影响度，确定正则化系数，并利用该正则化系数对变化函数进行修正，从而保证了利用修正后的变化函数确定震动信号数据的去噪处理过程中各个数据点的参考信号的准确性，能够有效提高震动信号数据的去噪准确度，从而保证了头盔异常震动检测的准确性。
附图说明
16.图1为本发明实施例中基于动态感知的智能头盔防盗管理方法的的流程示意图；图2为本发明实施例中基于震动信号数据计算正则化系数的流程示意图；图3为本发明实施例中基于动态感知的智能头盔防盗管理系统的结构示意图。
具体实施方式
17.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
18.本发明的主要目的是： 通过采集头盔的震动数据，然后对获得的数据进行去噪处理，根据去噪后的数据分析头盔是否发生了的异常移动。
19.本发明所针对的情景为：通过采集头盔的位置、倾斜角度、震动等数据，识别头盔被移动、摔落或遭到破坏等异常情况，并通过云端服务器实时反馈信息给用户，从而达到防盗和管理的目的。通过安装加速度计实时采集头盔的震动数据，通过分析头盔的震动数据来判断头盔是否发生移动。但是因为在采集头盔的震动信号时，获得的震动数据中会包含噪声信号，使得原始的震动信号受到噪声的干扰，无法准确的识别头盔异常状态，因此需要对获得的震动数据进行去噪处理。下面集合附图和实施例对本技术进行详细的说明。
20.请参见图1，图1为本发明基于动态感知的智能头盔防盗管理方法的实施例的流程示意图，包括：步骤s11：获取头盔的震动信号数据。
21.本发明的主要目的是对头盔的状态进行监测，因此首先需要获得头盔的震动数据，本发明使用加速度仪来获得头盔的震动数据，然后将获得的震动数据通过数据线传输到数据处理系统中，在采集头盔的震动数据时，会出现个别数据点丢失的情况，通过数据插值法进行缺失数据点的补充，从而得到头盔的震动信号数据。
22.步骤s12：基于震动信号数据计算正则化系数。
23.本发明的主要目的是为了对震动信号进行去噪处理，因为卡尔曼滤波算法是基于线性系统模型和高斯白噪声假设进行设计，因此对于非线性系统和非高斯分布噪声的适应性较差，其精度和效果会受到很大影响。在处理震动信号时，由于震动信号通常包含非线性动态和非高斯分布的噪声，要对噪声和系统动态进行建模，对其进行去噪时需要考虑时间序列相关性的影响，获得每个数据点对系统的影响程度，然后再根据数据点的变化来获得信号的变化函数，通过变化函数来对数据点的状态进行估计，本技术的方法通过正则化项来限制数据点状态的变化，避免通过卡尔曼滤波算法进行去噪时，因为局部数据点的异常导致区间数据的过拟合。基于此，本技术首先需要基于震动信号数据计算正则化系数。
24.具体请结合图2，步骤s12包括：步骤s21：计算震动信号数据中每个数据点的随机干扰程度。
25.在根据震动数据的变化来获得信号的变化函数时，需要根据邻域数据间的变化来反映数据的变化趋势，但是因为存在噪声的干扰，无法直接对原始数据进行描述，因此本技术首先对原始信号即震动信号数据进行分解，获得多个分量信号，在这里使用emd算法对原
始信号进行分解，获得的各分量信号为不同频率变化的信号。
26.首先，根据各分量信号的变化来获得数据的随机干扰程度。随机干扰程度描述的是在相同时间点上各分量信号受到其邻域信号的影响程度，因为信号的变化主要分析的是趋势变化，若某分量信号的某一数据点的邻域数据点的变化程度较大时，说明其受到邻域信号的干扰程度较大，则该点数据可能受到噪声的影响程度就会越大。
27.基于震动信号数据中所有分量信号在相同位置的数据点上与各自分量信号的邻域数据点的差异以及各分量信号的平均斜率，确定每个数据点的随机干扰程度。其中，基于第个分量信号中第个数据点的幅值、第个分量信号中第个数据点的幅值、第个分量信号中第个数据点的幅值计算该震动信号数据中所有分量信号在相同位置的数据点上与各自分量信号的邻域数据点的差异。
28.每个数据点的随机干扰程度计算方式为：；其中，表示所有分量信号在相同位置的数据点上与各自分量信号的邻域数据点的差异；表示第个分量信号中第个数据点的邻域数据区间内相邻数据点的平均斜率，即第个数据点及其左右侧各n个邻域数据点所构成的邻域数据区间内每个两个相邻数据点之间的差值绝对值的平均值。其中，表示第个数据点的随机干扰程度，表示第个分量信号中第个数据点的幅值，表示第个分量信号中第个数据点的幅值，表示第个分量信号中第个数据点的幅值，表示第个数据点的左右侧邻域的第个数据点，表示第个数据点的左右侧邻域数据点的数量，在这里取（经验值），表示分量信号的数量。此时，所有分量信号在相同位置的数据点上与各自分量信号的邻域数据点的差异是基于第个分量信号中第个数据点的幅值、第个分量信号中第个数据点的幅值、第个分量信号中第个数据点的幅值计算得到的。和分别表示第个数据点与其左右侧邻域数据点的差值绝对值，表示数据
的波动程度，两个差值绝对值的相加值越大，说明当前数据点受到噪声的干扰程度越大。当前数据点受到噪声的干扰程度越大，则数据的变化趋势是越剧烈的，因此在不同的分量信号上数据的波动程度虽然是不相同的，但是各分量信号中总有一个分量信号能够表示当前点的波动程度，因此在这里求各分量信号波动程度的和。各分量信号的平均斜率表示数据的变化程度，斜率越大，说明数据的变化程度越大。表示归一化函数，其归一化范围为。表示数值之间的相乘符号。
29.应当理解的是，上述计算公式仅仅是给出了通过对震动信号数据中每个数据点及其周围邻近数据点的分布差异进行分析，从而确定震动信号数据中每个数据点的随机干扰程度的一种具体实现方式。在实现这一目的的情况下，还可以通过采用其他的方式来对震动信号数据中每个数据点及其周围邻近数据点的分布差异进行分析，以确定该震动信号数据中每个数据点处的数据波动程度，从而最终确定震动信号数据中每个数据点的随机干扰程度。例如，在上述随机干扰程度的计算公式中，所有分量信号在相同位置的数据点上与各自分量信号的邻域数据点的差异与所有分量信号在相同位置的数据点所对应的平均斜率可以是相加关系。
30.步骤s22：基于每个数据点的随机干扰程度对震动信号数据进行聚类，得到多个聚类簇。
31.在对每个数据点的噪声状态进行估计时，会存在相似的噪声影响点，因此首先根据上述计算获得的每个数据点的随机干扰程度，进行聚类，将相似的随机干扰程度的数据点聚类为一类。具体采用的聚类方法可以根据需要进行选取，此处不做限定。
32.步骤s23：基于聚类簇中数据点的数量、聚类簇中数据点的随机干扰程度均值和方差，计算聚类簇对应的噪声状态估计值。
33.具体的，通过上述步骤，将相似的随机干扰程度的数据点聚类成一类。那么随机干扰程度越大的聚类簇，其受到噪声的影响程度也会越大，并且聚类簇内的数据点越多，说明该数据序列受到的噪声影响程度越大，而不是因为数据自身的变化引起的局部数据异常。因此计算聚类簇对应的噪声状态估计值。
34.在本实施例中，基于聚类簇中数据点的数量、聚类簇中随机干扰程度均值以及聚类簇中随机干扰程度的方差计算聚类簇对应的噪声状态估计值。
35.具体的，利用如下公式计算聚类簇对应的噪声状态估计值：；式中，表示第个聚类簇对应的噪声状态估计值，表示第个聚类簇内数据点的数量，表示第个聚类簇内各个数据点的随机干扰程度的均值，
表示第个聚类簇内各个数据点的随机干扰程度的方差，其中，表示第个聚类簇内第i个数据点的随机干扰程度，表示数值之间的相乘符号。
36.在进行聚类时，虽然是在一定的范围内进行聚类，但是每一个聚类簇内噪声的影响程度是不一样的，若聚类簇内各个数据点的随机干扰程度的波动越大，说明在该聚类簇内数据点受到噪声影响的程度是比较发散的，因此在解决过拟合现象时，就需要根据不同聚类簇内数据受到噪声的影响大小来确定正则化项的大小，从而才能限制噪声的变化状态。乘以聚类簇内数据点的数量和各个数据点的平均随机干扰程度是为了描述该聚类簇内数据的丰富程度，以及受到噪声影响程度的大小，聚类簇中的数据点数量越多，说明该聚类簇内受到的噪声影响程度相同，因此在进行噪声状态估计的时候该聚类的影响值更大。
37.应当理解的是，上述计算公式仅仅是给出了通过对每个聚类簇中数据点的数量以及各个数据点的随机干扰程度的平均分布情况和离散程度进行分析，从而确定每个聚类簇对应的噪声状态估计值的一种具体实现方式。在实现这一目的的情况下，还可以通过采用其他的方式来对每个聚类簇中数据点的数量以及各个数据点的所述随机干扰程度的平均分布情况和离散程度进行分析，以确定该聚类簇中数据点受到噪声点的干扰程度大小，从而得到每个聚类簇对应的噪声状态估计值。例如，在保证每个聚类簇中各个数据点的数量以及各个数据点的随机干扰程度的均值和方差均与噪声状态估计值成正相关关系的情况下，可以根据需要为这里的数量、均值和方差三者设置不同的权重，并将三者进行加权相加，从而得到噪声状态估计值。再如，为了表征每个聚类簇中各个数据点的随机干扰程度的平均分布情况，可以将上述计算公式中聚类簇内各个数据点的随机干扰程度的均值，替换为聚类簇内各个数据点的随机干扰程度的中值；为了表征每个聚类簇中各个数据点的随机干扰程度的离散程度，可以将上述计算公式中聚类簇内各个数据点的随机干扰程度的方差，替换为该聚类簇内各个数据点的随机干扰程度的标准差或者信息熵等。
38.步骤s24：基于噪声状态估计值计算得到正则化系数。
39.根据上述计算获得的噪声状态估计值来获得正则化系数，正则化系数用于降低模型复杂度和减少过拟合现象，将正则化系数加入到目标函数中，以限制参数值的大小或数量，使得模型更加简洁和泛化能力更强。
40.基于噪声状态估计值计算聚类簇的数据影响度，进而基于聚类簇的数据影响度计算得到正则化系数。
41.利用如下公式计算聚类簇的数据影响度：；其中，表示第个聚类簇的数据影响度，表示第个聚类簇对应的噪声状态估计值，表示第个聚类簇中第个数据点与其左右两个相邻数
据点的差异。基于第j个聚类簇的噪声状态估计值、第个聚类簇中第个数据点与邻域数据点的差异计算聚类簇的数据影响度。
42.其中，第个聚类簇中第个数据点与邻域数据点的差异通过第个聚类簇中第个数据点对应的第分量信号的幅值、第个聚类簇中第个数据点对应的第分量信号的幅值、第个聚类簇中第个数据点对应的第分量信号的幅值计算得到的。
43.因为当前数据点受到噪声的影响程度较大，但是邻域数据点受到的噪声影响程度较小时，那么在进行数据去噪时，就会导致相邻数据出现过拟合的现象，因此根据当前数据点与相邻数据点的差异来评价正则化系数的大小，差异越大，则正则化系数越大，这样再通过卡尔曼滤波算法进行数据去噪才能够矫正出现过拟合的数据点。
44.应当理解的是，上述计算公式仅仅是给出了通过对每个聚类簇对应的噪声状态估计值以及每个聚类簇中每个数据点与其相邻数据点之间的差异进行分析，从而确定每个聚类簇对应的数据影响度的一种具体实现方式。在实现这一目的的情况下，还可以通过采用其他的方式来对每个聚类簇中每个数据点与其相邻数据点之间的差异情况进行分析，从而确定每个聚类簇对应的数据影响度。例如，可以计算每个聚类簇中每个数据点与其左右两个相邻数据点的差值绝对值的平均值，并利用该平均值来表征该聚类簇中每个数据点与其相邻数据点之间的差异大小。
45.通过上述方式计算得到聚类簇的数据影响度，进一步基于聚类簇的数据影响度计算得到正则化系数，具体计算方式为：；表示正则化系数，表示所有聚类簇的数据影响度中的最大值，表示所有聚类簇的数据影响度的和，表示聚类簇的个数，表示最大的数据影响度在所有数据影响度的和中的占比，占比越大，说明当前聚类簇中各数据点受到噪声的影响程度是最大的，能够表示整个数据受到的噪声影响。
46.步骤s13：利用正则化系数对构造的变化函数进行修正，得到修正后的变化函数。
47.通过上述步骤计算得到了正则化系数，利用该正则化系数对变化函数进行矫正，即将该正则化系数作为变化函数整体的修正系数，从而得到修正后的变化函数。
48.在利用正则化系数对变化函数进行矫正之前还需要构建变化函数。构建变化函数
包括计算震动信号数据中数据点的权重，基于数据点的权重以及数据点的随机干扰程度构建变化函数。
49.计算各分量信号在相同时间点上的变化权重，因为不同的时间点上信号的变化趋势是不相同的，其受到的噪声的影响程度也是不相同的，因此根据信号的变化来获得各点的权重，其中，权重是基于震动信号数据中数据点的数量、第个分量信号中第个数据点的幅值与第个分量信号的平均幅值的差异以及第个数据点随机干扰程度在震动信号数据中的占比计算确定，其计算公式具体如下：；式中，表示第个数据点的权重，表示第个数据点的随机干扰程度，表示第个数据点的随机干扰程度，表示震动信号数据中数据点的数量，表示第个分量信号中第个数据点的幅值，表示第个分量信号中所有数据点的平均幅值，表示第个分量信号中第个数据点的幅值与第个分量信号中所有数据点的平均幅值的差异，其表示当前第个数据点的异常程度，表示第个数据点的随机干扰程度在整个数据序列中所有数据点的随机干扰程度的和中的占比，其占比越大，并且当前点与均值之间的差异越大，说明受到噪声影响的可能程度越大。
50.应当理解的是，上述计算公式仅仅是给出了根据震动信号数据中每个数据点对应的差异均值和占比，确定该震动信号数据中每个数据点的权重一种具体实现方式，在保证差异均值和占比均与所确定的权重值成正相关关系的前提下，该差异均值和占比也可以是其他合适的组合方式，例如，该差异均值和占比可以是相加关系。
51.基于数据点的权重以及数据点的随机干扰程度构建变化函数，具体的，变化函数的数学表达式为：；式中，表示一个非负数常量，在这里取，表示第个数据点的权重，表示第个数据点的随机干扰程度。
52.应当理解的是，上述所构建的变化函数实质上是一种自回归条件异方差arch模型，作为其他实施方式，也可以根据需要采用现有技术中arch模型的各类改进模型或者是
其他种类的自回归模型，来确定变化函数，在此不再赘述。
53.利用正则化系数对变化函数进行矫正，即将该正则化系数作为变化函数的修正系数，从而得到修正后的变化函数，包括：；其中，表示正则化系数，表示一个非负数常量，表示第个数据点的随机干扰程度，表示第个数据点的权重， 表示修正后的变化函数。
54.步骤s14：基于修正后的变化函数对震动信号数据进行去噪处理，基于去噪处理后的数据确定头盔是否发生异常移动。
55.利用卡尔曼滤波算法对震动信号数据进行去噪处理，在去噪处理过程中，根据上述获得的修正后的变化函数，确定震动信号数据中每个数据点的参考信号，从而最终获得去噪后的震动信号数据。
56.根据去噪后的震动信号数据分析头盔是否发生了异常移动。在分析头盔是否发生了异常移动时，本实施例将去噪后的震动信号数据与标准震动信号数据进行比较，标准震动信号数据是指头盔未发生异常移动的历史数据，若二者存在较大的差异，则说明头盔发生了异常移动。为了判断去噪后的震动信号数据与标准震动信号数据之间是否存在较大的差异，利用动态时间规整算法，确定二者之间的动态时间规整dtw距离，当该dtw距离大于设定阈值时，则说明二者存在较大的差异。应当理解的是，作为其他的实施方式，还可以对去噪后的震动信号数据本身进行分析，以确定头盔是否发生了异常移动，在此不做赘述。
57.当头盔发生了异常移动时，则通过信号传输系统向用户发送报警信号，并且同时头盔防盗系统触发，产生报警信号，发出报警声音。
58.本方案在对头盔产生的震动数据进行分析时，因为获得的震动信号存在噪声，通过卡尔曼滤波算法对震动信号进行去噪处理，但是因为卡尔曼滤波算法在处理时间序列数据时容易发生数据过拟合的问题，因此本方案通过分析震动数据的变化来构建数据矫正模型即正则化系数，来减小卡尔曼滤波算法在进行去噪时产生的过拟合现象，使其对震动数据去噪更加准确，能够根据去噪后的数据准确的识别头盔的异常移动，进而能够及时的向用户发出报警。
59.在减小过拟合现象时，本方案通过分析原始数据的变化，确定每个数据点的权重，进而来构建变化函数，并通过正则化系数来减小变化函数的波动，使得获得的变化函数能够准确的反映原始数据的变化。该方法能够有效提高震动信号数据的去噪准确度，进而提高了头盔异常震动检测的准确性。
60.请参见图3，为本发明基于动态感知的智能头盔防盗管理系统的实施例的结构示意图，本实施例的基于动态感知的智能头盔防盗管理系统包括：采集模块31、处理模块32以及去噪判断模块33，各个模块相互配合，能够实现上述的基于动态感知的智能头盔防盗管理方法。
61.其中，采集模块，用于获取头盔的震动信号数据。处理模块，用于根据所述震动信
号数据中每个数据点及其周围邻近数据点的分布差异，确定所述震动信号数据中每个数据点的随机干扰程度；根据所述随机干扰程度，对所述震动信号数据中的各个数据点进行聚类，得到至少两个聚类簇；根据每个所述聚类簇中数据点的数量以及各个数据点的所述随机干扰程度的平均分布情况和离散程度，确定每个所述聚类簇对应的噪声状态估计值；根据每个所述聚类簇对应的噪声状态估计值以及每个所述聚类簇中每个数据点与其相邻数据点之间的差异，确定每个所述聚类簇的数据影响度；将所述数据影响度中的最大值在所有所述数据影响度中的占比确定为正则化系数，并将所述正则化系数作为构建的变化函数的修正系数，从而得到修正后的变化函数。去噪判断模块，用于对所述震动信号数据进行去噪处理，并根据所述修正后的变化函数确定去噪处理过程中所述震动信号数据中各个数据点的参考信号，从而得到去噪处理后的震动信号数据，并根据去噪处理后的震动信号数据，确定头盔是否发生异常移动。
62.由于该基于动态感知的智能头盔防盗管理系统中的各个模块的功能在于，实现上述基于动态感知的智能头盔防盗管理方法中对应的步骤，而上述内容已经对上述方法中的各个步骤进行了详细介绍，此处对该系统中各个模块的功能不再进行赘述。
63.以上仅为本技术的实施方式，并非因此限制本技术的保护范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的保护范围内。

技术特征：
1.一种基于动态感知的智能头盔防盗管理方法，其特征在于，包括：获取头盔的震动信号数据；根据所述震动信号数据中每个数据点及其周围邻近数据点的分布差异，确定所述震动信号数据中每个数据点的随机干扰程度；根据所述随机干扰程度，对所述震动信号数据中的各个数据点进行聚类，得到至少两个聚类簇；根据每个所述聚类簇中数据点的数量以及各个数据点的所述随机干扰程度的平均分布情况和离散程度，确定每个所述聚类簇对应的噪声状态估计值；根据每个所述聚类簇对应的噪声状态估计值以及每个所述聚类簇中每个数据点与其相邻数据点之间的差异，确定每个所述聚类簇的数据影响度；将所述数据影响度中的最大值在所有所述数据影响度中的占比确定为正则化系数，并将所述正则化系数作为构建的变化函数的修正系数，从而得到修正后的变化函数；对所述震动信号数据进行去噪处理，并根据所述修正后的变化函数确定去噪处理过程中所述震动信号数据中各个数据点的参考信号，从而得到去噪处理后的震动信号数据，根据去噪处理后的震动信号数据，确定头盔是否发生异常移动。2.根据权利要求1所述的基于动态感知的智能头盔防盗管理方法，其特征在于，确定所述震动信号数据中每个数据点的随机干扰程度，对应的计算公式为：；其中，表示所述震动信号数据中第i个数据点的随机干扰程度，表示对所述震动信号数据进行分解后所得到的第个分量信号中第个数据点的幅值，表示对所述震动信号数据进行分解后所得到的第个分量信号中第个数据点的幅值，表示对所述震动信号数据进行分解后所得到的第个分量信号中第个数据点的幅值，表示对所述震动信号数据进行分解后所得到的第个分量信号中第个数据点及其左右侧各n个邻近数据点所构成的邻域数据区间内相邻数据点的平均斜率，n表示对所述震动信号数据进行分解后所得到的第个分量信号中第个数据点的左右侧邻近数据点的数量，表示所述震动信号数据进行分解后所得到的分量信号的数量，表示归一化函数，表示数值之间的相乘符号，| |表示取绝对值符号。3.根据权利要求1所述的基于动态感知的智能头盔防盗管理方法，其特征在于，确定每
个所述聚类簇对应的噪声状态估计值，包括：确定每个所述聚类簇中各个数据点的所述随机干扰程度的均值和方差；根据每个所述聚类簇中各个数据点的数量以及各个数据点的所述随机干扰程度的均值和方差，确定每个所述聚类簇对应的噪声状态估计值，所述各个数据点的数量以及各个数据点的所述随机干扰程度的均值和方差均与所述噪声状态估计值成正相关关系。4.根据权利要求3所述的基于动态感知的智能头盔防盗管理方法，其特征在于，确定每个所述聚类簇对应的噪声状态估计值，对应的计算公式为：；其中，表示第个聚类簇对应的噪声状态估计值，表示第个聚类簇内数据点的数量，表示第个聚类簇内各个数据点的随机干扰程度的均值，表示第个聚类簇内各个数据点的随机干扰程度的方差，表示第个聚类簇内第i个数据点的随机干扰程度，表示数值之间的相乘符号。5.根据权利要求1所述的基于动态感知的智能头盔防盗管理方法，其特征在于，确定每个所述聚类簇的数据影响度，对应的计算公式为：；其中，表示第个聚类簇的数据影响度，表示第个聚类簇中第个数据点在对所述震动信号数据进行分解后所得到的第个分量信号上的幅值，表示第个聚类簇中第-1个数据点在对所述震动信号数据进行分解后所得到的第个分量信号上的幅值，表示第个聚类簇中第+1个数据点在对所述震动信号数据进行分解后所得到的第个分量信号上的幅值，表示第个聚类簇内数据点的数量，表示对所述震动信号数据进行分解后所得到的分量信号的数量，表示第个聚类簇对应的噪声状态估计值，表示数值之间的相乘符号，| |表示取绝对值符号。6.根据权利要求1所述的基于动态感知的智能头盔防盗管理方法，其特征在于，所述变化函数的构建过程，包括：
确定对所述震动信号数据进行分解后所得到的每个分量信号中所有数据点的平均幅值，并确定各个分量信号中相同位置的数据点的幅值与其对应平均幅值的差异均值；确定所述震动信号数据中每个数据点的随机干扰程度在所述震动信号数据中所有数据点的随机干扰程度中的占比；根据所述震动信号数据中每个数据点对应的差异均值和占比，确定所述震动信号数据中每个数据点的权重，所述差异均值和占比均与所述权重值成正相关关系；根据所述震动信号数据中每个数据点的权重和随机干扰程度，确定变化函数。7.根据权利要求6所述的基于动态感知的智能头盔防盗管理方法，其特征在于，确定所述震动信号数据中每个数据点的权重对应的计算公式为：；其中，表示所述震动信号数据中第个数据点的权重，表示所述震动信号数据中第个数据点的随机干扰程度，表示所述震动信号数据中第个数据点的随机干扰程度，表示所述震动信号数据中数据点的数量，表示所述震动信号数据中第个数据点的随机干扰程度在所述震动信号数据中所有数据点的随机干扰程度中的占比，表示对所述震动信号数据进行分解后所得到的第个分量信号中第个数据点的幅值，表示对所述震动信号数据进行分解后所得到的第个分量信号中所有数据点的平均幅值，表示所述震动信号数据进行分解后所得到的分量信号的数量，| |表示取绝对值符号，表示数值之间的相乘符号。8.根据权利要求6所述的基于动态感知的智能头盔防盗管理方法，其特征在于，所述变化函数的计算公式为：；其中，表示变化函数，表示一个非负数常量。9.根据权利要求1所述的基于动态感知的智能头盔防盗管理方法，其特征在于，利用卡尔曼滤波算法对所述震动信号数据进行去噪处理。10.用于实现如权利要求1所述的一种基于动态感知的智能头盔防盗管理方法的一种基于动态感知的智能头盔防盗管理系统，其特征在于，包括：采集模块，用于获取头盔的震动信号数据；处理模块，用于根据所述震动信号数据中每个数据点及其周围邻近数据点的分布差
异，确定所述震动信号数据中每个数据点的随机干扰程度；根据所述随机干扰程度，对所述震动信号数据中的各个数据点进行聚类，得到至少两个聚类簇；根据每个所述聚类簇中数据点的数量以及各个数据点的所述随机干扰程度的平均分布情况和离散程度，确定每个所述聚类簇对应的噪声状态估计值；根据每个所述聚类簇对应的噪声状态估计值以及每个所述聚类簇中每个数据点与其相邻数据点之间的差异，确定每个所述聚类簇的数据影响度；将所述数据影响度中的最大值在所有所述数据影响度中的占比确定为正则化系数，并将所述正则化系数作为构建的变化函数的修正系数，从而得到修正后的变化函数；去噪判断模块，用于对所述震动信号数据进行去噪处理，并根据所述修正后的变化函数确定去噪处理过程中所述震动信号数据中各个数据点的参考信号，从而得到去噪处理后的震动信号数据，并根据去噪处理后的震动信号数据，确定头盔是否发生异常移动。

技术总结
本申请涉及头盔防盗技术领域，提供一种基于动态感知的智能头盔防盗管理方法以及系统，包括：获取头盔的震动信号数据；对震动信号数据进行处理，确定正则化系数；利用正则化系数对构造的变化函数进行修正，得到修正后的变化函数；基于修正后的变化函数对震动信号数据进行去噪处理，基于去噪处理后的数据确定头盔是否发生异常移动。本发明能够提高数据去噪准确度，提高了头盔异常震动检测的准确性。提高了头盔异常震动检测的准确性。提高了头盔异常震动检测的准确性。


技术研发人员：林伯祥 林晓城
受保护的技术使用者：福建赛鲲鹏网络科技有限公司
技术研发日：2023.09.01
技术公布日：2023/10/7